CN111538947B - 风力发电机轴承故障分类模型的构建方法 - Google Patents
风力发电机轴承故障分类模型的构建方法 Download PDFInfo
- Publication number
- CN111538947B CN111538947B CN202010416840.1A CN202010416840A CN111538947B CN 111538947 B CN111538947 B CN 111538947B CN 202010416840 A CN202010416840 A CN 202010416840A CN 111538947 B CN111538947 B CN 111538947B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- classification
- network
- bearing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Discrete Mathematics (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及电机轴承故障分类模型的构建方法,具体为风力发电机轴承故障分类模型的构建方法。本发明的目的在于使用低成本传感器数据驱动的深度学习网络,形成一种风力发电机轴承故障分类模型的构建方法,为风力发电机轴承健康监测提供一种高效准确的解决方案新范式,可用于实时正常状态监测或故障检测。该方法由如下步骤实现:步骤1、预置轴承故障类型及数量,步骤2、原始信号采集与预处理,步骤3、建立深度学习网络,步骤4、验证模型分类结果。本发明使用快速傅里叶变换处理序列数据,能够加速深度网络收敛和提升分类准确度;提高了风力发电机轴承故障的辨识准确率和故障识别实时性,降低了深度学习中网络训练对算力资源的浪费。
Description
技术领域
本发明涉及电机轴承故障分类模型的构建方法,具体为风力发电机轴承故障分类模型的构建方法。
背景技术
随着现代技术能力的进步,拥有一个集成的健康管理和诊断策略成为系统运行生命周期的重要组成部分。基于人工智能的系统健康监视方法可以分为(1)知识驱动的方法,包括专家系统和定性推理;(2)数据驱动的方法,包括统计过程控制、机器学习方法和神经网络。随着传感器、传感器网络和计算系统的发展,数据驱动的设备健康监测模型变得越来越有吸引力。
一个值得注意的发展方向是深度学习在预测性维护方面的应用。这种体系结构通过分层结构中多层信息处理模块的叠加,对数据的高维表示进行建模,并对模式进行分类(预测)。使用它们有很多优点,但是由于它是一个不断发展的研究领域,因此必须研究它在诊断应用中的适用性,以提高维护、修理和大修活动的整体系统弹性或潜在的成本效益。
现代风力发电机组的运行和维护所花费的费用相当可观。为了保持竞争力,必须最小化故障风险,降低维护成本以及提高系统的可用性和效能。风力发电机作为风力发电系统的核心部件,我们通过对其运行状态以及轴承或电机的附加传感器信号进行监测,通过对信号的分析、统计和分类来实现对故障的诊断和预测。因此对数据的处理和故障识别模型的搭建显得尤为重要。
现有技术方案一:在针对风力发电机轴承的故障信号处理时,传统方法是从时间和频域信号中提取特征,然后使用机器学习算法分析这些特征。为了更好分别旋转机械类部件的故障类别有时候还需要提取时-频域的特征,如频域峰度(pkurtosis)或是频域熵(pentropy)。通过人工特征提取和选择,形成一种比较精准的机器学习分类模型。
现有技术方案一存在的缺点:对风力发电机轴承或电机加速度传感器数据进行模型训练时,往往需要加速度传感器三轴信号来进行特征的提取,分类模型提取特征相对明显,无法发掘出数据中的隐含非线性特征。而且当算法工程师轴承专业知识比较匮乏、轴承故障类型分类较多,及噪声干扰等情况下,往往模型的分类效果更差,分类精度不高,存在误判及漏判的隐患,而且模型泛化能力较差,很难对不同转速条件的信号特征同时进行响应。
现有技术方案二:对风力发电机加速度传感器信号进行训练时,一种常见方法是使用频谱图一类的转换技术将一维信号转换为二维表示形式。此类变换突出信号最主要的频率,并使用转换的特征“图像”作为卷积神经网络(CNN)输入进行深度神经网络的训练。
现有技术方案二存在的缺点:卷积神经网络层级架构和非线性特性提取过程中,传感器信号一维转二维的过程,相当于数据由简单变复杂,且卷积过程的运算量会骤增,不符合数据特征分析由繁至简的规律,会浪费大量的计算资源,而且会增加故障辨识的计算时间,造成故障无法被实时的识别。当故障分类类别过多,训练数据量较少时很容易出现过拟合现象,造成测试集准确率下降,训练模型无法泛化的问题。
发明内容
大型风力发电机复杂而嘈杂的工作环境阻碍了其物理模型的构建,使得复杂动力系统的建模非常困难。本发明的目的在于使用低成本传感器数据驱动的深度学习网络,形成一种风力发电机轴承故障分类模型的构建方法,为风力发电机轴承健康监测提供一种高效准确的解决方案新范式,可用于实时正常状态监测或故障检测。
本发明是采用如下技术方案实现的:风力发电机轴承故障分类模型的构建方法,是由如下步骤实现的:
步骤1、预置轴承故障类型及数量
预置的轴承故障数量为A。
步骤2、原始信号采集与预处理
风力发电机安装在试验台上,将转子短接,发电机空载运行;利用单轴加速度传感器采集传动端轴承的Z轴方向加速度信号,每个轴承故障类型下分别采集转速n1、n2、n3、……、nm下的T时间范围内的连续的Z轴方向加速度信号,而得到A×m个原始信号,每个原始信号被分割成B份,每份的时间间隔t等于T/B,并对每份添加故障类型标签,使每个原始信号形成由B个带故障标签时间序列数据构成的原始信号数据集;单轴加速度传感器的信号采样频率为Fs,这样每个带故障标签时间序列数据包含N个采样点,N=T/B×Fs;
每个原始信号数据集的每个带故障标签时间序列数据中的N个采样点,经过离散傅立叶变换的快速算法FFT(Fast Fourier Transform),得到N个采样点的FFT结果,使每个带故障标签时间序列数据的每个采样点的时域值,对应一个频域值,将每个时域值和对应的频域值合并,从而使每个带故障标签时间序列数据从时域一维(1*N)变为时域频域二维(2*N);在FFT变换之前,每个带故障标签时间序列数据属于一维的时间序列,对仅有一个时域维度的信号进行分析是比较难的,往往需要比较深层的网络结构且耗费较多的计算资源才能完成辨识需求。有些信号在时域上是很难看出什么特征的,但是如果变换到频域之后,就很容易看出特征了,FFT并曾经一度被认为是信号分析技术划时代的进步。每个带故障标签时间序列数据从时域一维(1*N)变为时域频域二维(2*N),是把原始的N点序列,依次分解成一系列的短序列。充分利用离散傅里叶变换计算式中指数因子所具有的对称性质和周期性质,进而求出这些短序列相应的离散傅里叶变换值并进行适当组合,达到删除重复计算,减少乘法运算和简化结构的目的。为实现离散傅立叶变换的快速算法FFT,应满足单轴加速度传感器的信号采样频率Fs大于信号最大频率即风力发电机最大转速(转/秒)的2倍,以满足香农采样定理。
从每个原始信号数据集中随机抽出B×a%个数据,共计得到A×m×B×a%个数据作为训练样本,其余的A×m×B×(1-a%)个数据作为验证样本。
步骤3、建立深度学习网络
使用步骤2的训练样本,训练一个长短期记忆LSTM的深度学习网络,长短期记忆网络由六个层组成,一个序列输入层,一个LSTM层,一个丢弃层,一个全连接层,一个分类函数层和一个分类层;将步骤2的训练样本中的数据按照不同采集转速划分成两部分,一部分数据输入长短期记忆网络进行训练,并指定网络的训练参数;另一部分数据作为验证数据对网络的识别准确率和泛化能力进行验证,并达到所需准确率,保存此时刻LSTM深度网络模型。
步骤4、验证模型分类结果
将步骤2中的验证样本导入步骤3中LSTM深度学习网络中进行分类,而得到全部故障类型的分类结果,并得到分类结果的总体准确率;若分类总体准确率不满足客户指标要求,则返回步骤3中对深度网络的训练参数进行修改,直至分类总体准确率满足达到要求。
本发明通过风力发电机轴承振动信号处理结合深度学习网络训练,给出了一种风力发电机轴承故障分类模型的构建方法,其具有如下有益效果:(1)使用快速傅里叶变换处理序列数据的方法,能够加速深度网络收敛和提升分类准确度;大幅度提高了风力发电机轴承故障的辨识准确率和故障识别实时性,而且有效降低了深度学习中网络训练对算力资源的浪费。(2)数据来源由三轴加速度传感器变为单轴加速度传感器,可以有效降低数据采集的硬件成本,带来可观的经济效益。(3)深度学习训练过程中,验证集的选取考虑到模型或网络的泛化能力,使用部分转速数据来泛化一个转速区间的分类模型。
附图说明
图1为本发明所述方法的步骤示意图;
图2为长短期记忆网络的架构示意图;
图3为长短期记忆网络的训练过程图;
图4为验证样本分类结果的混淆矩阵。
具体实施方式
风力发电机轴承故障分类模型的构建方法,是由如下步骤实现的:
步骤1、预置轴承故障类型及数量
故障类型一:传动端轴承状态为内外圈电蚀,非传动端轴承状态为正常;
故障类型二:传动端轴承状态为正常,非传动端轴承状态为内外圈电蚀;
故障类型三:传动端轴承状态为正常,非传动端轴承状态为正常;
故障类型四:传动端轴承状态为内外圈剥离,非传动端轴承状态为正常;
故障类型五:传动端轴承状态为正常,非传动端轴承状态为内外圈剥离;
步骤2、原始信号采集与预处理
风力发电机安装在试验台上,将转子短接,发电机空载运行;利用单轴加速度传感器采集传动端轴承的Z轴方向加速度信号,每个轴承故障类型下分别采集转速1000 rpm、1370 rpm、1750 rpm、1870 rpm和2000 rpm下的5分钟内的连续的Z轴方向加速度信号,而得到25个原始信号,每个原始信号被分割成3000份,每份的时间间隔t等于0.1秒,并对每份添加故障类型标签,使每个原始信号形成由3000个带故障标签时间序列数据构成的原始信号数据集;单轴加速度传感器的信号采样频率为20kHz,这样每个带故障标签时间序列数据包含2000个采样点;
每个原始信号数据集的每个带故障标签时间序列数据中的2000个采样点,经过离散傅立叶变换的快速算法FFT(Fast Fourier Transform),得到2000个采样点的FFT结果,使每个带故障标签时间序列数据的每个采样点的时域值,对应一个频域值,将每个时域值和对应的频域值合并,从而使每个带故障标签时间序列数据从时域一维(1*2000)变为时域频域二维(2*2000);为实现离散傅立叶变换的快速算法FFT,应满足单轴加速度传感器的信号采样频率Fs大于信号最大频率即风力发电机最大转速(转/秒)的2倍(单轴加速度传感器的信号采样频率Fs为20kHz,风力发电机最大转速不超过1000转/秒),以满足香农采样定理。
从每个原始信号数据集中随机抽出2100(3000×70%)个数据,共计得到52500个数据作为训练样本,其余的22500个数据作为验证样本。
步骤3、建立深度学习网络
使用步骤2的训练样本,训练一个长短期记忆LSTM的深度学习网络,长短期记忆网络由六个层组成,一个序列输入层,一个LSTM层,一个丢弃层,一个全连接层,一个分类函数层和一个分类层;将步骤2的训练样本中1000 rpm、1750 rpm和2000 rpm的数据输入长短期记忆网络进行训练,并指定网络的训练参数如下:序列输入层(sequenceInputLayer)特征数为2;长短期记忆层(lstmLayer)包含100个隐层单元;丢弃层(dropoutLayer)丢弃概率0.2;全连接层(fullyConnectedLayer)、分类函数(softmaxLayer)层和分类(classificationLayer)层将网络的输出定义为五种故障类型;步骤2的训练样本中1370rpm和1870 rpm的数据作为验证数据对网络的识别准确率和泛化能力进行验证,准确率达到99%以上,保存此时刻LSTM深度网络模型。设置验证样本准确率作为网络收敛条件,如图3所示,网络训练时训练样本和验证样本损失函数一直在降低,同时准确率一直在上升。
步骤4、验证模型分类结果
将步骤2中的验证样本导入步骤3中LSTM深度学习网络中进行分类,最终对五种分类的结果进行验证,验证的总体准确率超过99%,正常状态的误报率小于0.1%。模型验证分类结果见图4所示。
Claims (2)
1.一种风力发电机轴承故障分类模型的构建方法,其特征在于,是由如下步骤实现的:
步骤1、预置轴承故障类型及数量
预置的轴承故障数量为A;
步骤2、原始信号采集与预处理
风力发电机安装在试验台上,将转子短接,发电机空载运行;利用单轴加速度传感器采集传动端轴承的Z轴方向加速度信号,每个轴承故障类型下分别采集转速n1、n2、n3、……、nm下的T时间范围内的连续的Z轴方向加速度信号,而得到A×m个原始信号,每个原始信号被分割成B份,每份的时间间隔t等于T/B,并对每份添加故障类型标签,使每个原始信号形成由B个带故障标签时间序列数据构成的原始信号数据集;单轴加速度传感器的信号采样频率为Fs,这样每个带故障标签时间序列数据包含N个采样点,N=T/B×Fs;
每个原始信号数据集的每个带故障标签时间序列数据中的N个采样点,经过离散傅立叶变换的快速算法FFT,得到N个采样点的FFT结果,使每个带故障标签时间序列数据的每个采样点的时域值,对应一个频域值,将每个时域值和对应的频域值合并,从而使每个带故障标签时间序列数据从时域一维变为时域频域二维;为实现离散傅立叶变换的快速算法FFT,应满足单轴加速度传感器的信号采样频率Fs大于信号最大频率即风力发电机最大转速的2倍;
从每个原始信号数据集中随机抽出B×a%个数据,共计得到A×m×B×a%个数据作为训练样本,其余的A×m×B×(1-a%)个数据作为验证样本;
步骤3、建立深度学习网络
使用步骤2的训练样本,训练一个长短期记忆LSTM的深度学习网络,长短期记忆网络由六个层组成,一个序列输入层,一个LSTM层,一个丢弃层,一个全连接层,一个分类函数层和一个分类层;将步骤2的训练样本中的数据按照不同采集转速划分成两部分,一部分数据输入长短期记忆网络进行训练,并指定网络的训练参数;另一部分数据作为验证数据对网络的识别准确率和泛化能力进行验证,并达到所需准确率,保存此时刻LSTM深度网络模型;
步骤4、验证模型分类结果
将步骤2中的验证样本导入步骤3中LSTM深度学习网络中进行分类,而得到全部故障类型的分类结果,并得到分类结果的总体准确率;若分类总体准确率不满足客户指标要求,则返回步骤3中对深度网络的训练参数进行修改,直至分类总体准确率满足达到要求。
2.根据权利要求1所述的风力发电机轴承故障分类模型的构建方法,其特征在于,是由如下步骤实现的:
步骤1、预置轴承故障类型及数量
故障类型一:传动端轴承状态为内外圈电蚀,非传动端轴承状态为正常;
故障类型二:传动端轴承状态为正常,非传动端轴承状态为内外圈电蚀;
故障类型三:传动端轴承状态为正常,非传动端轴承状态为正常;
故障类型四:传动端轴承状态为内外圈剥离,非传动端轴承状态为正常;
故障类型五:传动端轴承状态为正常,非传动端轴承状态为内外圈剥离;
步骤2、原始信号采集与预处理
风力发电机安装在试验台上,将转子短接,发电机空载运行;利用单轴加速度传感器采集传动端轴承的Z轴方向加速度信号,每个轴承故障类型下分别采集转速1000 rpm、1370rpm、1750 rpm、1870 rpm和2000 rpm下的5分钟内的连续的Z轴方向加速度信号,而得到25个原始信号,每个原始信号被分割成3000份,每份的时间间隔t等于0.1秒,并对每份添加故障类型标签,使每个原始信号形成由3000个带故障标签时间序列数据构成的原始信号数据集;单轴加速度传感器的信号采样频率为20 kHz,这样每个带故障标签时间序列数据包含2000个采样点;
每个原始信号数据集的每个带故障标签时间序列数据中的2000个采样点,经过离散傅立叶变换的快速算法FFT,得到2000个采样点的FFT结果,使每个带故障标签时间序列数据的每个采样点的时域值,对应一个频域值,将每个时域值和对应的频域值合并,从而使每个带故障标签时间序列数据从时域一维变为时域频域二维;为实现离散傅立叶变换的快速算法FFT,应满足单轴加速度传感器的信号采样频率Fs大于信号最大频率即风力发电机最大转速的2倍;
从每个原始信号数据集中随机抽出2100个数据,共计得到52500个数据作为训练样本,其余的22500个数据作为验证样本;
步骤3、建立深度学习网络
使用步骤2的训练样本,训练一个长短期记忆LSTM的深度学习网络,长短期记忆网络由六个层组成,一个序列输入层,一个LSTM层,一个丢弃层,一个全连接层,一个分类函数层和一个分类层;将步骤2的训练样本中1000 rpm、1750 rpm和2000 rpm的数据输入长短期记忆网络进行训练,并指定网络的训练参数如下:序列输入层特征数为2;长短期记忆层包含100个隐层单元;丢弃层丢弃概率0.2;全连接层、分类函数层和分类层将网络的输出定义为五种故障类型;步骤2的训练样本中1370 rpm和1870 rpm的数据作为验证数据对网络的识别准确率和泛化能力进行验证,准确率达到99%以上,保存此时刻LSTM深度网络模型;
步骤4、验证模型分类结果
将步骤2中的验证样本导入步骤3中LSTM深度学习网络中进行分类,最终对五种分类的结果进行验证,验证的总体准确率超过99%,正常状态的误报率小于0.1%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010416840.1A CN111538947B (zh) | 2020-05-18 | 2020-05-18 | 风力发电机轴承故障分类模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010416840.1A CN111538947B (zh) | 2020-05-18 | 2020-05-18 | 风力发电机轴承故障分类模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111538947A CN111538947A (zh) | 2020-08-14 |
CN111538947B true CN111538947B (zh) | 2022-06-14 |
Family
ID=71968788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010416840.1A Active CN111538947B (zh) | 2020-05-18 | 2020-05-18 | 风力发电机轴承故障分类模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111538947B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539381B (zh) * | 2020-05-18 | 2022-04-05 | 中车永济电机有限公司 | 风力发电机轴承故障分类诊断模型的构建方法 |
CN112508242A (zh) * | 2020-11-25 | 2021-03-16 | 中车永济电机有限公司 | 一种风力发电机轴承故障定位及分类模型的构建方法 |
CN112729825A (zh) * | 2020-12-18 | 2021-04-30 | 中车永济电机有限公司 | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 |
CN113761674B (zh) * | 2021-07-22 | 2023-09-08 | 东北大学 | 一种基于数据驱动nrsf的转子系统故障辨识方法 |
CN114330413A (zh) * | 2021-11-25 | 2022-04-12 | 中车永济电机有限公司 | 牵引电机轴承的故障类型辨识及定位方法 |
CN114330096B (zh) * | 2021-11-25 | 2024-04-19 | 中车永济电机有限公司 | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 |
CN114997333B (zh) * | 2022-06-29 | 2024-04-23 | 清华大学 | 一种风力发电机的故障诊断方法和装置 |
CN116628564B (zh) * | 2023-04-20 | 2024-03-12 | 上海宇佑船舶科技有限公司 | 用于检测发电机状态的模型训练方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930285A (zh) * | 2012-09-18 | 2013-02-13 | 四川大学 | 基于有监督增量式局部线性嵌入(sille)维数化简的早期故障辨识方法 |
CN104807639A (zh) * | 2015-04-23 | 2015-07-29 | 广西大学 | 一种机车走行部滚动轴承故障诊断方法和装置 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
CN108764341A (zh) * | 2018-05-29 | 2018-11-06 | 中国矿业大学 | 一种工况自适应深度神经网络模型及变工况故障诊断方法 |
CN109738776A (zh) * | 2019-01-02 | 2019-05-10 | 华南理工大学 | 基于lstm的风机变流器开路故障识别方法 |
CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
CN110398369A (zh) * | 2019-08-15 | 2019-11-01 | 贵州大学 | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10685159B2 (en) * | 2018-06-27 | 2020-06-16 | Intel Corporation | Analog functional safety with anomaly detection |
US11341780B2 (en) * | 2018-11-14 | 2022-05-24 | The Boeing Company | Maintenance of an aircraft via similarity detection and modeling |
-
2020
- 2020-05-18 CN CN202010416840.1A patent/CN111538947B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930285A (zh) * | 2012-09-18 | 2013-02-13 | 四川大学 | 基于有监督增量式局部线性嵌入(sille)维数化简的早期故障辨识方法 |
CN104807639A (zh) * | 2015-04-23 | 2015-07-29 | 广西大学 | 一种机车走行部滚动轴承故障诊断方法和装置 |
CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108764341A (zh) * | 2018-05-29 | 2018-11-06 | 中国矿业大学 | 一种工况自适应深度神经网络模型及变工况故障诊断方法 |
CN109738776A (zh) * | 2019-01-02 | 2019-05-10 | 华南理工大学 | 基于lstm的风机变流器开路故障识别方法 |
CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
CN110398369A (zh) * | 2019-08-15 | 2019-11-01 | 贵州大学 | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
Honghu Pan等.An Improved Bearing Fault Diagnosis Method using One-Dimensional CNN and LSTM.《Journal of Mechanical Engineering》.2018,443-452. * |
YoPong Yo.基于LSTM的轴承故障诊断.《https://blog.csdn.net/FUCCKL/article/details/90402021》.2019,1-2. * |
于洋等.基于 TL-LSTM 的轴承故障声发射信号识别研究.《仪器仪表学报》.2019,第40卷(第05期),51-59. * |
余萍等.深度学习在故障诊断与预测中的应用.《http://kns.cnki.net/kcms/detail/11.2127.TP.20200103.1422.010.html》.2020,1-18. * |
那晓栋.基于深度学习的变负载下滚动轴承故障诊断方法研究.《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》.2019,(第01期),C029-251. * |
Also Published As
Publication number | Publication date |
---|---|
CN111538947A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111538947B (zh) | 风力发电机轴承故障分类模型的构建方法 | |
Sadoughi et al. | Physics-based convolutional neural network for fault diagnosis of rolling element bearings | |
Liu et al. | Unsupervised fault diagnosis of rolling bearings using a deep neural network based on generative adversarial networks | |
Neupane et al. | Bearing fault detection and diagnosis using case western reserve university dataset with deep learning approaches: A review | |
Li et al. | Understanding and improving deep learning-based rolling bearing fault diagnosis with attention mechanism | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
Zhang et al. | A hybrid attention improved ResNet based fault diagnosis method of wind turbines gearbox | |
Xu et al. | Online fault diagnosis method based on transfer convolutional neural networks | |
Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
Liao et al. | Hydroelectric generating unit fault diagnosis using 1-D convolutional neural network and gated recurrent unit in small hydro | |
Cheng et al. | Autoencoder quasi-recurrent neural networks for remaining useful life prediction of engineering systems | |
Sohaib et al. | Fault diagnosis of rotary machine bearings under inconsistent working conditions | |
CN110334764B (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
Wu et al. | Rub-impact fault diagnosis of rotating machinery based on 1-D convolutional neural networks | |
Li et al. | Unsupervised rotating machinery fault diagnosis method based on integrated SAE–DBN and a binary processor | |
Zhong et al. | Multi-fault rapid diagnosis for wind turbine gearbox using sparse Bayesian extreme learning machine | |
Huang et al. | Residual gated dynamic sparse network for gearbox fault diagnosis using multisensor data | |
Wang et al. | Gear fault diagnosis based on variational modal decomposition and wide+ narrow visual field neural networks | |
Chen et al. | Deep residual network for identifying bearing fault location and fault severity concurrently | |
CN111597996B (zh) | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 | |
Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN111709190A (zh) | 风电机组运行数据图像识别方法及装置 | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
Han et al. | Data-enhanced stacked autoencoders for insufficient fault classification of machinery and its understanding via visualization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |